SuperAPI AI 工具集

text-to-speech

通用与其它

查看项目

更新于 10-16 05:57

技能介绍

用途

本技能用于通过 inference.sh CLI(belt)将文本转换为自然语音,支持多种语音合成模型,覆盖从快速合成到高表现力、低延迟对话等不同需求。

主要能力

  • 支持多个 TTS 模型,包括 Inworld TTS-2、Inworld TTS 1.5 Max、Inworld TTS 1.5 Mini、ElevenLabs TTS、DIA TTS、Kokoro TTS、Chatterbox、Higgs Audio、VibeVoice。
  • Inworld TTS-2 支持 100 多种语言,可通过 [方括号] 在文本中内联控制情绪、音量、语速和非语言声音,并提供 STABLE(一致)、BALANCED(自然,默认)、CREATIVE(表现力强)三种交付模式。
  • Inworld TTS 1.5 Max 延迟低于 200 毫秒,支持 15 种语言;Inworld TTS 1.5 Mini 延迟约 120 毫秒,支持 15 种语言,适合对话式 AI。
  • ElevenLabs TTS 提供 22 种以上声音、32 种语言。
  • DIA TTS 适合对话式、富有表现力的语音;Kokoro TTS 快速自然;Chatterbox 通用;Higgs Audio 支持情绪控制;VibeVoice 适合播客和长音频。
  • 可与视频生成模型结合,例如使用 P-Video-Avatar 内置 TTS 直接生成说话头像视频,或先生成语音再配合 OmniHuman 等模型制作头像视频。

使用方式

  1. 安装 belt CLI 技能:
npx skills add belt-sh/cli
  1. 登录:
belt login
  1. 生成语音,例如使用 Kokoro TTS:
belt app run infsh/kokoro-tts --input '{"text": "Hello, welcome to our product demo."}'
  1. 使用 Inworld TTS-2 进行情绪控制:
belt app run inworld/text-to-speech-2 --input '{
  "text": "I have some [exciting] news to share with you! [pause] We just hit one million users. [laugh]",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}'
  1. 低延迟场景可使用 Inworld TTS 1.5 Max 或 Mini:
belt app run inworld/text-to-speech-1-5-max --input '{
  "text": "Welcome back! How can I help you today?",
  "voice_id": "Ashley"
}'
belt app run inworld/text-to-speech-1-5-mini --input '{
  "text": "Sure, let me look that up for you.",
  "voice_id": "Dennis"
}'
  1. 使用 DIA TTS 进行对话式语音:
belt app sample infsh/dia-tts --save input.json
belt app run infsh/dia-tts --input input.json
  1. 长音频(播客)可使用 VibeVoice:
belt app sample infsh/vibevoice --save input.json
belt app run infsh/vibevoice --input input.json
  1. 表现力语音可使用 Higgs Audio:
belt app sample infsh/higgs-audio --save input.json
belt app run infsh/higgs-audio --input input.json
  1. 浏览所有音频应用:
belt app list --category audio

适用场景

  • 配音:产品演示、讲解视频
  • 有声书:将文本转换为语音
  • 播客:生成播客剧集
  • 无障碍:让内容更易获取
  • IVR:电话系统语音提示
  • 视频旁白:为视频添加旁白
  • 游戏 / NPC:使用 Inworld TTS-2 的情绪控制生成角色语音
  • 对话式 AI:使用 Inworld TTS 1.5 Mini 实现超低延迟响应
  • 头像 / UGC 视频:为说话头像生成语音

限制

资料中未提供各模型的具体收费、价格、平台限制或效果保证等信息。部分模型的具体参数、声音列表和完整语言支持需参考对应模型文档或 Inworld TTS Playground。